Evidence needs and community involvement in policy decisions for vaccine-preventable diarrhoeal infections among children under the age of five years: Stakeholder engagement in Ethiopia, Kenya, and Malawi
Notice bibliographique
Résumé
Abstract Diarrhoeal diseases are a leading cause of morbidity and mortality among children under five years in low- and middle-income countries (LMICs) with Shigella and Enterotoxigenic Escherichia coli (ETEC), both targets of ongoing vaccine development, playing major roles. To inform the introduction of vaccines against these pathogens in Ethiopia, Kenya, and Malawi, we assessed evidence needs for technical policy decisions and community engagement in national policy development processes. Using in-depth interviews (IDIs) with 27 institutional stakeholders (health ministries, researchers, and partners) and focus group discussions (FGDs) with community representatives (one per country), we collected data from May 2023 to May 2024 and undertook thematic analysis. Institutional stakeholders emphasised the need for robust, localised evidence on disease burden, vaccine efficacy, safety, cost-effectiveness, programmatic feasibility, alongside structured mechanisms to integrate evidence into policy. They noted the absence of diarrhoeal disease-specific technical working groups in their countries and advocated for their establishment. Meanwhile, community representatives expressed vaccine acceptance but stressed the importance of clear communication of information delivered by trusted health workers and leaders. They highlighted the need for comprehensive information on new vaccines, particularly regarding their safety and potential side effects. While community involvement in national policy-making processes was deemed low, participants highlighted the value of meaningful engagement to ensure ownership and uptake. The findings highlight the importance of robust evidence generation, effective communication, and inclusive community engagement to facilitate the successful introduction of Shigella and ETEC vaccines. Addressing these gaps can accelerate adoption, improve readiness, and foster trust in vaccination programmes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,049 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».